什么是 精确率与召回率（Precision and Recall）？
精确率与召回率（Precision and Recall）是互补的分类指标：精确率表示预测正例中真正例的比例，召回率表示真实正例中被分类器检出的比例。
快速了解
| 规范文档 | 官方规范 |
|---|
工作原理
把零分母视为证据缺失
模型没有预测任何正例时，精确率没有定义；评测样本中没有真实正例时，召回率没有定义。返回零或一可以是显式聚合策略，却不能冒充观测性能。因此当前 scikit-learn API会暴露 zero_division 策略和每类 Support，评测报告也应保留这两个信息。
按成本与容量选择阈值
降低分数阈值通常会预测更多正例，提高召回率，同时纳入更多假正例并可能降低精确率；提高阈值通常相反。应先检查完整 Precision-Recall Curve，再依据漏报成本、误报成本、复核容量、延迟和所需覆盖率选择操作点。最终测试集不能反复用于调阈值。
保留基础发生率与聚合口径
精确率依赖部署人群：即使条件错误率不变，正类基础发生率变化也会显著改变精确率。多分类或多标签任务应先报告逐类结果，再声明采用 Micro、Macro、Weighted 还是 Samples 平均。Davis 与 Goadrich证明 ROC 与 PR 曲线存在对应关系，但几何性质不同，PR 空间通常不能在两个点之间直接线性插值。
主要特点
- 精确率以预测正例为条件，直接受到假正例影响
- 召回率以真实正例为条件，直接受到假负例影响
- 两者都会随正类定义与决策阈值变化
- 即使条件错误率不变，精确率仍会随基础发生率变化
- 分母为零时必须声明未定义值处理策略
- 多分类结果依赖明确的类别集合与平均方式
常见用途
- 用精确率控制内容审核或欺诈告警中的错误指控
- 用召回率减少安全、疾病或事故检测中的漏报
- 在固定人工复核预算下选择分类器阈值
- 比较类别不均衡多分类模型的逐类失败
- 基础发生率或业务策略变化后监控模型行为
示例
Loading code...常见问题
精确率和召回率有什么区别？
精确率询问预测正例中有多少正确，分母是 `TP+FP`；召回率询问真实正例中找到了多少，分母是 `TP+FN`。前者揭示误报负担，后者揭示漏报负担，二者不能仅靠名称互相替代。
什么时候应该优先精确率？
正向预测会触发高成本或高伤害动作时应优先精确率，例如指控用户、拦截正常交易或向分析师发送告警。同时还要约束最低召回率，避免模型通过几乎不报正例获得看似很高的精确率。
什么时候应该优先召回率？
漏掉正例造成的伤害更大时应优先召回率，例如第一阶段安全筛查或事故检测。但仍需约束假正例和运营负担；把所有样本都判为正类得到的满召回率，通常不是可接受策略。
为什么召回率稳定时，线上精确率仍可能变化？
精确率依赖服务人群中的正类基础发生率。事件变得更稀有后，大量真实负例会为假正例创造更多机会，因此即使条件敏感度与特异度不变，正预测值也可能下降。
多分类精确率和召回率应该怎样平均？
先报告逐类数值与支持度。Macro 让每类权重相同，Micro 先聚合计数再计算，Weighted 按真实类别支持度加权，Samples 用于多标签样本。选择哪种方式属于指标定义，必须随结果一起发布。